画面

过去两年，以Genie系列为代表的交互式世界模型走的是一条「全托管」路线，一个视频模型同时承担世界建模、状态记忆和画面生成三重任务。

Matrix-Game4.0在此之上进行了创新，不只是在画面生成质量，还在算力要求和实时响应，更在于把「状态维护—实时交互—开发生态」三个分散的能力进行了整合，这正是Matrix-Game4.0与同期工作拉开差距的地方。

事实上，世界模型领域已经有不少团队意识到，单靠视频模型很难维持一个长期稳定的交互世界，并开始探索将世界状态与画面生成分离的技术路线。

从让模型学会根据结构画面生成高质量场景，到通过少步蒸馏减少计算量，再到压榨单张显卡的推理性能，每个环节都直接影响最终的实时体验。

这也体现了将游戏逻辑与画面生成分离的价值：开发者可以更灵活地调整玩法，而视频模型只需要负责呈现游戏世界。

引擎负责维护状态，CodingAgent负责规划，视频模型专注画面生成。

4.0是团队沿着「为视频模型套上harness」这条路线完成的第一个工作：为视频模型搭建外部Harness，让游戏引擎维护世界状态，让CodingAgent编写游戏规则，视频模型则专注于实时画面生成。